死寂
WAIC观察｜都在谈世界模型，说的是一回事吗？_我的网站
一 | 受访Grab和Gojek平台的私召车司机表示，在过去六个月，他们感觉到收入减少了。对此，Grab表示，这种情况是季节性的。
二 | 新传媒英文新闻网站CNA 采访了八名私召车司机，根据报道，Grab或Gojek的私召车司机都认为车费下降，导致收入减少。另外有三名只使用TADA平台的私召车司机则表示，他们未见收入下降。TADA采用的营运模式是零佣金模式。 今年WAIC（世界人工智能大会）期间，许多人都在谈论世界模型，但说的未必是同一件事。 7月19日，在上海西岸国际会展中心，同一场论坛上，两种不同的声音先后登台。中国科学院院士、南京大学副校长周志华讲述了决策层世界模型依然面临的现实：推演误差和交互试错的高昂成本。他的团队最近有些许进展，但这仍是他口中“正在探索的方向”之一，而非已经解决的问题。 昆仑万维董事长兼CEO（首席执行官）方汉则给出一种判断。
三 | 56岁的Grab司机Lee Chin Chye说，他过去每天工作十小时能赚取300元至500元，但从六个月前开始，收入开始减少，即便工作时间不变，他的收入减少约10%。李先生将原因指向Grab，认为是因为平台的车费降低导致收入减少。他说：“平台与平台之间的竞争，以及乘客需求下降，对收入有很大的影响。“2026年是‘世界模型元年’。AI不再只停留在生成内容，而是开始理解世界怎么运行，预判行动会带来什么结果。” 一个“探索中”，一个“元年”。产业已经在抢跑，但世界模型的地基还没打完。”车费是否被降低？Grab和Gojek受询时未就此作出回应。 同一个世界模型，公司各自“解题” 每家公司对世界模型的界定，几乎都精准卡在自己正在做的事情上。根据数据平台Measurable AI的数据，在本地五个私召车平台中，Grab在2022年占据新加坡私召车平台市场的50.2%，居于主导地位。
四 | 腾讯不做硬件本体，只承担具身大脑平台的角色。其次是Gojek，占17.7%；ComfortDelGro占15.1%；TADA占11.1%；Ryde则占5.9%。
五 | 收入减少 私召车司机感担忧 收入下降的问题令许多私召车司机，尤其是年轻或有财务负担的私召车司机们感到担忧。腾讯首席科学家、Robotics X实验室主任、福田实验室主任张正友认为，机器人行业就像iOS与安卓、Mac与Windows，也会分化出“全栈自研”和“平台+生态”两条路，腾讯选的是后者。 在模型上，他认为VLA（视觉语言动作模型）短板明确，没有预测能力，而世界模型可以基于行动后果做预测。世界模型下一个有价值的方向，在于模型同时传递语言和图像信息，能推理，也具备想象力。 智象未来创始人兼CEO梅涛认为，一个真正的世界模型有三个要素：表达、推演、构造世界。一名匿名的31岁Gojek私召车司机表示，他的收入减少了10%，但目前他没有打算放弃当私召车司机。实现这些的关键在于，让模型真正建立起对物理世界统一的认知。他因工伤失去了之前的工作，过去五年一直靠当私召车司机，养活五个孩子。这也就是智象未来坚持原生全模态大模型的初衷：不是做一个更大的拼接模型，而是在最底层把“世界的运行规律”刻进模型的DNA里，以统一的方式理解视觉、语言、动作和空间关系。 梅涛认为，如果我们仅仅是把世界进行复现，本质上只是在做现有知识的压缩、拟合与复刻。在这样的范式下，人类五千年文明积累的信息量上限，就是AI的能力上限。另一名56岁Grab司机李先生则面临更大压力。过去六个月里，他的收入下降约20%。他表示，过去每天工作十小时可赚取约300新元，如今则仅有约250新元。他感叹道：“我要减少出行和在餐馆用餐的次数。 但他也坦言，现在包括视频、多模态、具身、3D在内的各种世界模型，离真正的世界模型还比较遥远。 生数科技同样基于视频数据训练世界模型，强调对物理世界的理解。生数科技CEO骆怡航认为，世界模型必须同时具备感知理解、预测想象、行动三个维度：“世界模型一定要刻画整个人与世界的交互规律，同时能驱动人与数字、物理世界打交道，这个定义应该具备很强的Foundation（基础）属性。
六 | ” 作为PhysX物理引擎奠基人之一的张立华，同时也是复旦大学长聘特聘教授、飞捷科思创始人、中国人工智能学会人机融合智能专委会主任，他的判断标准落在是否符合物理规律上。 他认为，现有的主流世界模型基本还是数据驱动的视觉模型，难以把物理规律准确地嵌入模型里。“虽然你看了很多图像、视频等数据，形成了一定的物理直觉的能力，但这个能力也存在限制，就像人的物理直觉一样，虽然能够在某些条件下给出相对准确的趋势判断，但并不能保证所有情况下判断的准确性和真实性。
七 | 物价在上涨，但我的收入似乎在下降。有时一个月一次，我不得不借个人贷款来维持生活开支。虽然你看了很多，但不等于你抓住了这些表象背后的物理机制。”他说，生活成本的上升，尤其是油价的上涨，让情况变得更加糟糕，这对司机而言简直是双重打击。” 世界模型定义还存在争议，但不影响各大公司卡位。 昆仑万维不再局限于视频（SkyReels）、音乐（ Mureka ）等AI生成内容的业务线，开始向世界模型、机器人模型等物理AI叙事框架转变。生数科技并不瞄准单一场景，而是希望做好通用能力，用同一个模型驱动不同本体去做不同的任务，半天到一天内就能适配部署。Grab：收入下降 受供需平衡影响 Grab发言人表示，私召车司机收入的下降主要受供需平衡影响，并会因季节和活动的变化而波动。飞捷科思则发起“物理智能创新联合体”，联合32家单位，定位成国产世界模型的操作系统底座。在需求高峰期，例如节日或重大活动期间，整个行业的车费和收入通常会上升。 谁能先抓住“世界模型”这顶帽子，谁就先占住了故事的入口。发言人指出，今年1月和2月期间，由于新年和农历新年的节日效应，以及第一季度的多场大型演唱会带动了高需求和高车费。
八 | 例如，在今年3月，美国流行女歌手泰勒丝（Taylor Swift）的“时代巡回演唱会”（Eras Tour）吸引了超过36万8000名观众，其中许多是游客。Grab表示，需求通常会在6月公立学校假期和7月至8月国际学校假期期间下降，因为更多人选择在此期间离开新加坡出国旅行。
九 | 这是一年一度的常规现象。一位投资人曾透露，他年初见过一家具身智能公司，能讲出非常好的应用场景，时隔三个月后便开始讲世界模型的故事，“这是很现实的问题”。发言人也表示，未来几个月，司机可能会看到更多的乘客需求。
十 | “随着学校假期结束，我们已经看到需求回升，并预计在下半年在更多大型活动（如F1比赛）举行前，需求将进一步增加。
十一 | 模型存短板，不能完全信任 世界模型对物理世界的理解，还存在欠缺。 破壳机器人创始人许华哲提到，即便现在的模型已经能做到不错的像素级预测，也不能完全信任它。“只要是模型生成出来的东西，就一定带着模型自己的特性，如果在这样的仿真器里学策略，很容易拟合到模型的特性，而不是真实世界的特性。”平台之间的竞争是否导致车费下降？ 私召车司机的收入下降并不是因为司机人数增加。
十二 | ” 要补上这个缺口，模型需要两个方向：一是让模型本身更懂物理规律，二是让模型学习的环境足够真实。 前一个方向，是视频生成厂商正在做的事，押注的是底层算法架构和高质量数据实现跃升后，模型自己能把物理规律“悟”出来。陆路交通管理局的数据显示，从1月到6月，私召车司机的职业执照数量从5万4054个略微下降到5万3536个。司机们更关心的是私召车平台公司之间的竞争。 智象未来选择视频、全模态到世界模型这条路径，因为“互联网视频数据非常多，这些数据已经包含许多物理规律、因果关系在内”。一名67岁的Grab私召车司机表示：“我相信这些科技公司试图相互竞争，但在这样做的过程中，他们把自己的利益置于司机的利益之上。
十三 | ”另一位同时通过TADA和Grab平台提供服务的72岁司机陈先生表示，随着竞争的加剧，车费降低是自然而然的事情。他说：“你不能期望收取高额车费，否则谁愿意乘坐？大家都有TADA、Ryde、Grab，他们可以搜索最低价格。”通过TADA平台提供服务的私召车司机表示，他们的收入并未变化。
十四 | 他们表示，尽管平台较小，接到的订单也较少，但由他们采用这个平台是因为于无需支付TADA佣金。并自研了UiT（Unified Transformer）架构，在数据端则涵盖了20万小时版权数据，覆盖超70%华语电影资源的行业多模态语料库。 生数科技则用MoT架构（可以理解为是一种稀疏、多模态Transformer架构）把理解、生成和行动整合在一起，而非“先理解、再规划、再动作”的分步路线。然而，一名55岁的兼职司机吴先生认为，零佣金模式可能不会长期存在。 模型“悟”出规律，还得放到仿真环境里训练和验证。如果仿真环境本身的物理规律不够真，模型学到的东西再像，也经不起真机上的检验。这就是飞捷科思在做的事，给模型提供可信的训练地基。 一切源于张立华团队的踩坑经历。他的复旦实验室团队，早年也用过其他商用具身仿真平台做仿真训练，“仿真的时候机器人表现得非常完美，但我们把实机都造出来后，再一验证就发现不行”。他说：“我现在享受这种模式，但我不认为这个模式会一直这样下去，除非TADA找到其他盈利途径。后来团队排查发现，其底层的物理引擎动量并不守恒，仿真训练了很久，但因为模拟的物理规律并不符合现实世界的物理规律，导致训练好的算法不能在真机上复现。
十五 | 经历这一教训后，团队没有急于继续扩大模型训练，而是转向自研底层物理引擎和仿真训练平台，目的就是要提升物理引擎和仿真训练平台的精度和能力。进一步，他们做出了全新一代物理世界模型Fysiverse，其架构是创新的“显式物理模拟器+生成式渲染器”双驱动，让生成模型继续发挥视觉表达优势，用物理引擎补因果建模的短板。”他还补充说，私召车公司通常会提供奖励以吸引私召车司司机加入，但这些奖励会随着私召车司司机经验的增加而减少。
十六 | 张立华认为，现在绝大部分模型还是以端到端为主，很少体现推理能力，但一个真正通用、有泛化性的模型，未来一定要具备推理能力。“遇到物体位置突然变化这类情况，机器人应该可以像人一样及时做出判断并调整策略，而不是只靠预训练学到的反应去执行。”而这种推理能力的训练，同样需要物理真实的仿真环境来支撑。 第一人称视角数据缺失，补法却不一样 模型要学好，除了要有对的架构和环境，还需要足够多的数据。具身智能下一步，需要大量第一人称视角的操作数据，也就是以人的视角拍到的、真实操作物体时的视频。 视频生成厂商正在把自己的生成能力延伸向用于模型训练的数据供给。这背后是世界模型对高质量数据的渴求。
十七 | 梅涛提到，目前容易获取的数据基本已经被拿得差不多了，但真正高质量、有私域价值的数据反而越来越难拿到。 梅涛谈到智象未来与一家机器人公司的合作：对方提供人类带着夹爪操作的仿真数据，每个关节点精度大概在毫米级；智象未来反过来生成一份不带夹爪的真人第一人称实操视频，和原始数据一一对齐。“用这样的视频可以做增广，一份高精度、带夹爪的视频，能生成出上百到上千份不同背景、肤色、形态的版本，同样保持高精度。” C端的数据采集，目前还停留在比较原始的阶段。许华哲提到，现在主要是靠58同城、猎聘这类公司，派人带着采集设备上门去拍；下一步可能是把采集设备直接寄到普通人家里，让人边带娃或边做自媒体，边采数据赚点钱。 究竟需要多少量级的数据，行业还在探索。
十八 | 启明创投给出一个参照：头部机器人公司的有效数据，会从2025年的“万小时级”，跃升到2027年的“百万小时级”，其中人类第一视角数据将占绝对主导。 而数据恰恰是行业难以共享的东西。许华哲提到，数据是具身智能里最核心的资产，几乎没人会真正把它开源出来，网上很多号称开源一万小时的数据集，点开可能只有五十小时。 当行业有人喊出“元年”时，学界在解理论“死结”，厂商在用同一个词争不同的定义。模型在往前跑，地基在往下打，中间还缺数据。世界模型在还没被讲清楚前，就已经被相信了。 新京报贝壳财经记者 韦英姿 编辑 王进雨 校对 穆祥桐。
Current article:http://s7lt4u.minpinpengcemiuanjiuxuan.pics/news/20260826_806.html
Published on:09:37:48
